CN113147506B - 基于大数据的车与车互学习充电剩余时间预测方法和装置 - Google Patents

基于大数据的车与车互学习充电剩余时间预测方法和装置 Download PDF

Info

Publication number
CN113147506B
CN113147506B CN202110447766.4A CN202110447766A CN113147506B CN 113147506 B CN113147506 B CN 113147506B CN 202110447766 A CN202110447766 A CN 202110447766A CN 113147506 B CN113147506 B CN 113147506B
Authority
CN
China
Prior art keywords
charging
soc
charge
remaining
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110447766.4A
Other languages
English (en)
Other versions
CN113147506A (zh
Inventor
梁海强
沈帅
张骞慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Electric Vehicle Co Ltd
Original Assignee
Beijing Electric Vehicle Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Electric Vehicle Co Ltd filed Critical Beijing Electric Vehicle Co Ltd
Priority to CN202110447766.4A priority Critical patent/CN113147506B/zh
Publication of CN113147506A publication Critical patent/CN113147506A/zh
Application granted granted Critical
Publication of CN113147506B publication Critical patent/CN113147506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B60L58/15—Preventing overcharging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Abstract

本申请提供了一种基于大数据的车与车互学习充电剩余时间预测方法和装置。所述方法，应用于车辆，包括：获取动力电池的初始荷电状态SOC和初始温度；根据所述初始荷电状态SOC和初始温度，确定所述动力电池充电截止时的第一剩余充电时长；获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二剩余充电时长；根据所述第一剩余充电时长和所述第二剩余充电时长，确定从所述初始荷电状态SOC开始充电的预测剩余充电时长。本申请的方法不仅考虑车端预测剩余充电时长，还会基于云端大数据的预测，进一步地提高了数据的准确性。

Description

基于大数据的车与车互学习充电剩余时间预测方法和装置
技术领域
本申请涉及汽车技术领域，特别涉及一种基于大数据的车与车互学习充电剩余时间预测方法和装置。
背景技术
随着科技迅猛发展及芯片制造技术的提升，在汽车领域出现了以动力电池为能量来源的电动汽车。电动汽车的问世，不但解决了传统燃油车尾气排放对大气污染的问题，也降低了石油等不可再生资源的消耗。
为电动汽车的动力电池充电的过程中，用户需要了解需要的剩余充电时长，以便安排后续日程，目前，一般采用充电剩余容量除以充电电流来估算动力电池的充电剩余时间，此种估算方式随着动力电池寿命衰减累计误差逐渐增大，使得对充电剩余时间的估计不准确，影响用户的按时出行。
另一方面，现有技术的预测剩余充电时长，仅仅考虑车辆端预测，导致数据不够准确，存在一定的缺陷。
申请内容
本申请实施例提供一种基于大数据的车与车互学习充电剩余时间预测方法和装置，以解决现有技术预测剩余充电时长不准确，或者仅通过车端预设剩余时间的问题。
为了解决上述技术问题，本申请采用如下技术方案：
本申请实施例提供一种基于大数据的车与车互学习充电剩余时间预测方法，应用于车辆，其特征在于，包括：
获取动力电池的初始荷电状态SOC和初始温度；
根据所述初始荷电状态SOC和初始温度，确定所述动力电池充电截止时的第一剩余充电时长；
获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二剩余充电时长；
根据所述第一剩余充电时长和所述第二剩余充电时长，确定从所述初始荷电状态SOC开始充电的预测剩余充电时长。
可选的，所述根据所述第一剩余充电时长和所述第二剩余充电时长，确定从所述初始荷电状态SOC开始充电的预测剩余充电时长，包括：
在第一比值处于预设范围之内时，确定所述预测剩余充电时长为充电过程的实时充电时长与第一比值相乘获得的数值；其中，所述第一比值等于第二剩余充电时长与所述第一剩余充电时长之间的比值。
可选的，所述预设范围位于：
第一预设倍数的第一剩余充电时长和第二预设倍数的第一剩余充电时长之间，所述第一预设倍数小于所述第二预设倍数；
其中，若所述第一比值小于所述第一预设倍数的第一剩余充电时长，则确定第一比值为第一预设倍数的第一剩余充电时长；
若所述第一比值大于所述第二预设倍数的第一剩余充电时长，则确定第一比值为第二预设倍数的第一剩余充电时长。
可选的，所述根据所述初始荷电状态SOC和初始温度，确定所述动力电池充电截止时的第一剩余充电时长：
根据当前存储的第一充电参数映射表，获取各SOC区间的充电电流，所述第一充电参数映射表包括SOC区间与充电电流的对应关系；
根据所述初始荷电状态SOC、所述初始温度、各SOC区间的充电电流和各SOC区间的限值，确定第一剩余充电时长。
可选的，所述根据所述初始荷电状态SOC、所述初始温度、各SOC区间的充电电流和各SOC区间的限值，确定第一剩余充电时长，包括：
根据所述初始荷电状态SOC和所述初始温度，确定所述初始荷电状态SOC所在的第一SOC区间；
获取所述第一SOC区间所对应的第一充电电流，以及，与各个第二SOC区间分别对应的第二充电电流；其中，所述第二SOC区间为下限值大于所述第一SOC区间的上限值的SOC区间；
根据所述初始荷电状态SOC、所述第一充电电流、多个所述第二充电电流，以及，所述第一SOC区间的上限值和各个所述第二SOC区间的上限值，确定所述第一剩余充电时长。
本申请实施例还提供一种基于大数据的车与车互学习充电剩余时间预测方法，应用于云端服务器，包括：
获取目标车辆的动力电池的初始荷电状态SOC和初始温度；
根据所述初始荷电状态SOC和初始温度，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长；
将所述第二剩余充电时长发送至所述目标车辆。
可选的，所述根据所述初始荷电状态SOC和初始温度，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长，包括：
根据所述云端服务器存储的第二充电参数映射表，确定多个SOC区间与充电电流的对应关系；
根据所述始荷电状态SOC、初始温度和各SOC区间对应的充电电流，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长；
其中，所述第二充电参数映射表包括多个SOC区间与充电电流的对应关系，以及多个SOC区间与温升速率的对应关系，所述第二充电参数映射表为根据前一次充电过程更新的映射表。
可选的，所述确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长，还包括：
获取车辆在充电过程中的批量训练数据；
对获取的批量训练数据解析后进行大数据学习，按照预设的学习规则生成针对车辆的初始荷电状态SOC的预测控制指令，和初始温度的预测控制指令；
将学习生成的所有预测控制指令与其对应的初始荷电状态SOC和初始温度进行关联后，生成预测指令数据库；
根据所述初始荷电状态SOC和初始温度，与所述预测指令数据库进行匹配，确定所述第二剩余充电时长；
其中，所述训练数据包括：车辆充电过程中的初始荷电状态SOC、初始温度、车辆充电过程中的多个SOC区间与每一SOC区间与温升速率的对应关系。
可选的，所述训练数据包括行驶地点、动力电池的初始温度和动力电池的初始荷电状态SOC，所述预设的学习规则包括以下规则的至少一种：
提取多台车辆在所处相同区域的充电控制行为；
提取同一台车辆在同一地点的多个历史充电控制行为；
提取多台车辆在针对相同的初始温度和初始荷电状态SOC的充电控制行为；
提取同一台车辆在相同的初始温度和初始荷电状态SOC的多个历史充电控制行为。
可选的，根据所述始荷电状态SOC、初始温度和各SOC区间对应的充电电流，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长，包括：
根据所述第二充电参数映射表，确定加热过过程开始时的第一充电电流、加热过过程截止时的第二充电电流以及第二温度；
根据所述初始温度、所述第一充电电流、所述第二充电电流和所述第二温度，获取用于计算第二剩余充电时长的第一预设比例；
获取动力电池的加热时长、充电结束后的SOC状态的对应值和加热过程截止后仅充电的第三剩余充电时长；
根据所述第一预设比例、所述加热时长、所述充电结束后的SOC状态的对应值和所述第三剩余充电时长，确定所述第二剩余充电时长。
可选的，所述获取加热过程截止后仅充电的第三剩余充电时长，包括：
根据所述初始荷电状态SOC、所述初始温度和所述第二充电参数映射表，确定所述初始荷电状态SOC所在的第三SOC区间；
获取所述第三SOC区间所对应的第三充电电流，以及，与各个第四SOC区间分别对应的第四充电电流；其中，所述第四SOC区间为下限值大于所述第三SOC区间的上限值的SOC区间；
根据所述初始荷电状态SOC、所述第三充电电流、多个所述第四充电电流，以及，所述第三SOC区间的上限值和各个所述第四SOC区间的上限值，确定所述第三剩余充电时长。
可选的，所述获取动力电池的加热时长，包括：
根据所述初始温度，以及根据所述第二充电参数映射表，获取各SOC区间的温升速率；
根据所述初始温度和各温升区间的温升速率，确定加热时长。
可选的，所述获取充电结束后的SOC状态的对应值，包括：
获取加热过程结束后的动力电池的当前SOC以及充电结束后的SOC；
若所述加热过程结束后的动力电池的当前SOC小于第三预设倍数的充电结束后的SOC，确定所述充电结束后的SOC状态的对应值为第一阈值；
否则，根据所述加热过程结束后的动力电池的当前SOC以及所述充电结束后的SOC，确定所述充电结束后的SOC状态的对应值。
本申请实施例还提供一种基于大数据的车与车互学习充电剩余时间预测装置，应用于车辆，包括：
第一获取模块，用于获取动力电池的初始荷电状态SOC和初始温度；
第一确定模块，用于根据所述初始荷电状态SOC和初始温度，确定所述动力电池充电截止时的第一剩余充电时长；
接收模块，用于获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二剩余充电时长；
第二确定模块，用于根据所述第一剩余充电时长和所述第二剩余充电时长，确定从所述初始荷电状态SOC开始充电的预测剩余充电时长。
本申请实施例还提供一种基于大数据的车与车互学习充电剩余时间预测装置，应用于云端服务器，包括：
第二获取模块，用于获取目标车辆的动力电池的初始荷电状态SOC和初始温度；
第三确定模块，用于根据所述初始荷电状态SOC和初始温度，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长；
发送模块，用于将所述第二剩余充电时长发送至所述目标车辆。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上所述的基于大数据的车与车互学习充电剩余时间预测方法的步骤。
本申请的有益效果是：
上述实施例中，不仅根据初始荷电状态SOC和初始温度，确定车端的动力电池充电截止时的第一剩余充电时长；还获取了获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二剩余充电时长；根据所述第一剩余充电时长和所述第二剩余充电时长，确定从所述初始荷电状态SOC开始充电的预测剩余充电时长。本申请的方法不仅考虑车端预测剩余充电时长，用于估算动力电池的剩余充电时长所用到的充电电流更接近于真实的充电电流，且充分考虑了动力电池的衰减问题，这样，提高了剩余充电时长估算的准确性；还会基于云端大数据的预测，进一步地提高了数据的准确性。
附图说明
图1表示本申请实施例的基于大数据的车与车互学习充电剩余时间预测方法的流程示意图之一；
图2表示本申请实施例的基于大数据的车与车互学习充电剩余时间预测方法的流程示意图之二；
图3表示本申请实施例的基于大数据的车与车互学习充电剩余时间预测装置的模块示意图之一；
图4表示本申请实施例的基于大数据的车与车互学习充电剩余时间预测装置的模块示意图之二。
具体实施方式
为使本申请要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本申请的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请针对现有技术预测剩余充电时长不准确，或者仅通过车端预设剩余时间的问题，提供一种基于大数据的车与车互学习充电剩余时间预测方法和装置。
如图1所示，为本申请实施例的基于大数据的车与车互学习充电剩余时间预测方法的流程示意图，应用于车辆，该方法包括：
步骤100：获取动力电池的初始荷电状态SOC和初始温度；
步骤200：根据所述初始荷电状态SOC和初始温度，确定所述动力电池充电截止时的第一剩余充电时长；
步骤300：获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二剩余充电时长；
步骤400：根据所述第一剩余充电时长和所述第二剩余充电时长，确定从所述初始荷电状态SOC开始充电的预测剩余充电时长。
该实施例中，根据确定车辆的动力电池充电截止时的第一剩余充电时长，有获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二剩余充电时长，通过云端的预测值和车端的预测值，确定最终的从所述初始荷电状态SOC开始充电的预测剩余充电时长，使其预测数据更加准确。
可选的，所述步骤400，包括：
在第一比值处于预设范围之内时，确定所述预测剩余充电时长为充电过程的实时充电时长t与第一比值相乘获得的数值；其中，所述第一比值等于第二剩余充电时长tb1与所述第一剩余充电时长t0之间的比值。
该实施例中，所述第一比值等于第二剩余充电时长与所述第一剩余充电时长之间的比值，也就是t最终＝(tb1/t0)*t，这里t最终即从所述初始荷电状态SOC开始充电的预测剩余充电时长。
需要说明的是，所述预设范围位于：
第一预设倍数的第一剩余充电时长和第二预设倍数的第一剩余充电时长之间，所述第一预设倍数小于所述第二预设倍数；
其中，若所述第一比值小于所述第一预设倍数的第一剩余充电时长，则确定第一比值为第一预设倍数的第一剩余充电时长；
若所述第一比值大于所述第二预设倍数的第一剩余充电时长，则确定第一比值为第二预设倍数的第一剩余充电时长。
该实施例中，所述预设范围位于：第一预设倍数的第一剩余充电时长t0和第二预设倍数的第一剩余充电时长t0之间，具体为90％t0≤第一比值≤110％t0之间；若所述第一比值不在预设范围内，所述第一比值小于所述第一预设倍数的第一剩余充电时长，即第一比值≤90％t0时，所述第一比值取具体数值，即90％t0；同理，110％t0≤第一比值时，所述第一比值也取具体数值，即110％t0。本申请实施例的方法根据车辆端和云端自修正和互学习等方法，提升剩余时间精度，提升用户时间感知。
可选的，所述步骤200，包括：
步骤210，根据当前存储的第一充电参数映射表，获取各SOC区间的充电电流，所述第一充电参数映射表包括SOC区间与充电电流的对应关系；
本步骤中，第一充电参数映射表为根据前一次充电过程更新的映射表，使得本步骤中获得的各SOC区间的充电电流更接近于动力电池的真实的充电电流，如此，能够提高对动力电池的剩余充电时长的估算准确性。
步骤220，根据所述初始荷电状态SOC、所述初始温度、各SOC区间的充电电流和各SOC区间的限值，确定第一剩余充电时长。
本申请实施例中，首先，根据初始荷电状态SOC；其次，根据当前存储的第一充电参数映射表，获取各SOC区间的充电电流，第一充电参数映射表包括SOC区间与充电电流的对应关系，第一充电参数映射表为根据前一次充电过程更新的映射表；最后，根据初始荷电状态SOC、各SOC区间的充电电流和各SOC区间的限值，估算第一剩余充电时长，如此，使得用于估算动力电池的剩余充电时长所用到的充电电流更接近于真实的充电电流，且充分考虑了动力电池的衰减问题，这样，提高了剩余充电时长估算的准确性。
可选的，所述步骤220，包括：
根据所述初始荷电状态SOC和所述初始温度，确定所述初始荷电状态SOC所在的第一SOC区间；
这里，需要说明的是，用户或开发人员可以预先划分SOC区间，比如：随着SOC区间的增大，SOC区间的跨度逐渐减小，如：20％≤SOC≤40％，90％≤SOC≤95％等。
获取所述第一SOC区间所对应的第一充电电流，以及，与各个第二SOC区间分别对应的第二充电电流；其中，所述第二SOC区间为下限值大于所述第一SOC区间的上限值的SOC区间；
也就是说，本步骤具体可以为，获取第一SOC区间和第一SOC区间之后的各个SOC区间的充电电流。
根据所述初始荷电状态SOC、所述第一充电电流、多个所述第二充电电流，以及，所述第一SOC区间的上限值和各个所述第二SOC区间的上限值，确定所述第一剩余充电时长。
具体的，本步骤可以为：根据估算的动力电池在第一SOC区间的充电时长以及动力电池在各个第二SOC区间的充电时长，确定该第一剩余充电时长。
具体的，第一SOC区间的充电时长可以为：第一SOC区间内的充电电量与，第一充电电流的比值相关；第二SOC区间的充电时长可以为：第二SOC区间的充电电量与该第二SOC区间所对应的第二充电电流的比值。
亦即，根据如下公式，估算第一剩余充电时长：
Figure BDA0003037590560000091
其中，N为动力电池的SOC区间的个数；C为预估充电结束温度对应动力电池最大可用容量；Iavg(i+1)为第i+1个SOC区间的充电平均电流，SOC为当前SOC，SOC(I)和SOC(i)为第i个SOC区间的上限值；SOC(I)-SOC≤0且SOC(I+1)-SOC＞0。
如图2所示，本申请实施例还提供一种基于大数据的车与车互学习充电剩余时间预测方法，应用于云端服务器，包括：
步骤500：获取目标车辆的动力电池的初始荷电状态SOC和初始温度；
步骤600：根据所述初始荷电状态SOC和初始温度，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长；
步骤700：将所述第二剩余充电时长发送至所述目标车辆。
本申请实施例中，根据所述云端服务器确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长，增加了数据的多样性，进一步提高了数据的准确性。
可选的，所述步骤600，包括：
步骤610，根据所述云端服务器存储的第二充电参数映射表，确定多个SOC区间与充电电流的对应关系；
步骤620，根据所述始荷电状态SOC、初始温度和各SOC区间对应的充电电流，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长；
其中，所述第二充电参数映射表包括多个SOC区间与充电电流的对应关系，以及多个SOC区间与温升速率的对应关系，所述第二充电参数映射表为根据前一次充电过程更新的映射表。
根据当前存储的充电参数映射表，获取每一SOC区间与温升变化量，当前存储的加热参数映射表为根据前一次加热过程更新的映射表，每次加热过程结束后，云端服务器都会存储并更新所述第二充电参数映射表。
也就是说，本可选的实现方式中，所述第二充电参数映射表为根据动力电池的加热过程不断更新的映射表，这样，使得本可选实现方式中获得的温升变化量更接近于动力电池的真实的温升变化量，如此，能够提高对动力电池的加热截止时的温升预测的准确性。
可选的，所述步骤600，还包括：
获取车辆在充电过程中的批量训练数据；
对获取的批量训练数据解析后进行大数据学习，按照预设的学习规则生成针对车辆的初始荷电状态SOC的预测控制指令，和初始温度的预测控制指令；
将学习生成的所有预测控制指令与其对应的初始荷电状态SOC和初始温度进行关联后，生成预测指令数据库；
根据所述初始荷电状态SOC和初始温度，与所述预测指令数据库进行匹配，确定所述第二剩余充电时长；
其中，所述训练数据包括：车辆充电过程中的初始荷电状态SOC、初始温度、车辆充电过程中的多个SOC区间与每一SOC区间与温升速率的对应关系。
具体的，训练数据的选取可以根据充电控制目的来选择，例如是基于监测车辆所处相同区域的充电控制行为，则选取行驶数据作为训练数据即可，反之，如果是基于车辆型号或者车辆之前的历史数据监测，则选取工作参数中可以根据实际情况更改。
具体地，所述预设的学习规则包括以下规则的至少一种：
提取多台车辆在所处相同区域的充电控制行为；
提取同一台车辆在同一地点的多个历史充电控制行为；
提取多台车辆在针对相同的初始温度和初始荷电状态SOC的充电控制行为；
提取同一台车辆在相同的初始温度和初始荷电状态SOC的多个历史充电控制行为。
需要说明的是，预设的学习规则是根据对目标车辆的充电控制目的来设定的，可以任意更改，例如“提取多台车辆在所处相同区域的充电控制行为”这一规则，还可以增加时间限制，细化为“提取多台车辆在同一时间段内所处相同区域的充电控制行为”。因此，本申请实施例只是简单列举了几种可能的学习规则，实际上可以根据需要任意设定学习规则。通过设定预设的学习规则后，设定了大数据学习的方式，从而基于大数据学习，获得具有统计意义的数据以及对应的控制行为并生成对应的预测控制指令，从而可以实现对充电的加热过程的剩余充电时长的预测。
可选的，所述步骤620，包括：
根据所述第二充电参数映射表，确定加热过过程开始时的第一充电电流tI0、加热过过程截止时的第二充电电流It0以及第二温度tTt0；
根据所述初始温度tT0、所述第一充电电流tI0、所述第二充电电流It0和所述第二温度tTt0，获取用于计算第二剩余充电时长的第一预设比例P；
该实施例中，所述第一预设比例P用公式表示为：P＝(tT0+tI0)/(tTt0+tIt0)。
获取动力电池的加热时长tTt、充电结束后的SOC状态的对应值f(SOC)和加热过程截止后仅充电的第三剩余充电时长tIt；
根据所述第一预设比例P、所述加热时长tTt、所述充电结束后的SOC状态的对应值f(SOC)和所述第三剩余充电时长tIt，确定所述第二剩余充电时长tb1。
该实施例可以用公式表示为：tb1＝P*【tTt*f(SOC)+tIt】。
这里，需要说明的是，在加热过程中也会为动力电池充电，即：在加热过程中动力电池的SOC也会发生变化，在动力电池的温度达到第一预设温度后，动力电池会进入仅充电的过程，因此，在加热开始时估算动力电池的第二剩余充电时长tb1时，需要估算加热时长和仅充电时长，而仅充电时长的估算需要获知仅充电阶段开始时动力电池的SOC，仅充电阶段开始时动力电池的SOC可以通过查表的方式获得。
可选的，所述获取加热过程截止后仅充电的第三剩余充电时长，包括：
根据所述初始荷电状态SOC、所述初始温度和所述第二充电参数映射表，确定所述初始荷电状态SOC所在的第三SOC区间；
获取所述第三SOC区间所对应的第三充电电流，以及，与各个第四SOC区间分别对应的第四充电电流；其中，所述第四SOC区间为下限值大于所述第三SOC区间的上限值的SOC区间；
根据所述初始荷电状态SOC、所述第三充电电流、多个所述第四充电电流，以及，所述第三SOC区间的上限值和各个所述第四SOC区间的上限值，确定所述第三剩余充电时长。
这里的计算方式与上述应用于车辆的方法中计算第一剩余充电时长的流程相似，这里，采用第二充电参数映射表、第三SOC区间、第四SOC区间，仅仅是为了区别与上述的名称的差别，即所述第三剩余充电时长用公式表示为：
Figure BDA0003037590560000121
其中，N为动力电池的SOC区间的个数；C为预估充电结束温度对应动力电池最大可用容量；Iavg(i+1)为第i+1个SOC区间的充电平均电流，SOC为当前SOC，SOC(i)为第i个SOC区间的上限值；SOC(I)-SOC≤0且SOC(I+1)-SOC＞0。
可选的，所述获取动力电池的加热时长，包括：
根据所述初始温度，以及根据所述第二充电参数映射表，获取各SOC区间的温升速率；
根据所述初始温度和各温升区间的温升速率，确定加热时长。
也就是说，本可选的实现方式中，加热参数映射表为根据动力电池的加热过程不断更新的映射表，这样，使得本可选实现方式中获得的温升速率更接近于动力电池的真实的温升速率，如此，能够提高对动力电池的剩余加热时长的估算的准确性。
这里，需要说明的是，加热参数映射表可以为温升区间与温升速率的对应关系表。亦即，将需要加热的温度区间划分为多个温升区间，每一个温升区间对应一个温升速率，如此，能够提高估算的剩余加热时长的准确性。如：需要加热的温度区间可以为小于20℃的温度，则划分的温升区间可以包括：小于-15℃的第一温升区间，-15℃至-5℃的第二温升区间，-5℃至0℃的第三温升区间，0℃至10℃的第四温升区间，10℃至20℃的第五温升区间。
(B)根据初始温度、第一预设温度和各温升区间的温升速率，估算加热时长；
具体的，加热时长包括：由初始温度加热至其所在的温升区间的上限值的第一加热时长，以及，该温升区间之后的各个温升区间的加热时长；其中，该温升区间之后的各个温升区间指的是，温升区间的上限值大于初始温度所在的温升区间的上限值的区间。
也就是说，本步骤可以根据如下公式，估算加热时长：
Figure BDA0003037590560000131
其中，T0为初始温度，T(I)为T0所在的温升区间的上限值，VTavg(i+1)为第i+1个温升区间的温升速率，N为温升区间的个数。
可选的，所述获取充电结束后的SOC状态的对应值，包括：
获取加热过程结束后的动力电池的当前SOC以及充电结束后的SOC(SOCE)；
若所述加热过程结束后的动力电池的当前SOC小于第三预设倍数的充电结束后的SOC，确定所述充电结束后的SOC状态的对应值f(SOC)为第一阈值；
本步骤可以表示为：若所述加热过程结束后的动力电池的当前SOC小于95％*SOCE时，所述f(SOC)＝1，所述第三预设倍数为95％，所述第一阈值为1。
否则，根据所述加热过程结束后的动力电池的当前SOC以及所述充电结束后的SOC，确定所述充电结束后的SOC状态的对应值。
本步骤可以表示为：若所述加热过程结束后的动力电池的当前SOC≥95％*SOCE时，确定所述充电结束后的SOC状态的对应值采取下列公式，f(SOC)＝(SOCE-SOC)/(SOCE-当前SOC)，这里SOC为电池容量预设的SOC，当前SOC为加热过程结束后的动力电池的当前SOC，当前SOC为SOC≥95％*SOCE的具体SOC。
如图3所示，本申请实施例还提供一种基于大数据的车与车互学习充电剩余时间预测装置，应用于车辆，包括：
第一获取模块10，用于获取动力电池的初始荷电状态SOC和初始温度；
第一确定模块20，用于根据所述初始荷电状态SOC和初始温度，确定所述动力电池充电截止时的第一剩余充电时长；
接收模块30，用于获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二剩余充电时长；
第二确定模块40，用于根据所述第一剩余充电时长和所述第二剩余充电时长，确定从所述初始荷电状态SOC开始充电的预测剩余充电时长。
可选的，所述第二确定模块40，包括：
第一确定单元，用于在第一比值处于预设范围之内时，确定所述预测剩余充电时长为充电过程的实时充电时长与第一比值相乘获得的数值；其中，所述第一比值等于第二剩余充电时长与所述第一剩余充电时长之间的比值。
需要说明的是，所述预设范围位于：
第一预设倍数的第一剩余充电时长和第二预设倍数的第一剩余充电时长之间，所述第一预设倍数小于所述第二预设倍数；
其中，若所述第一比值小于所述第一预设倍数的第一剩余充电时长，则确定第一比值为第一预设倍数的第一剩余充电时长；
若所述第一比值大于所述第二预设倍数的第一剩余充电时长，则确定第一比值为第二预设倍数的第一剩余充电时长。
可选的，所述第一确定模块20，包括：
第一获取单元，用于根据当前存储的第一充电参数映射表，获取各SOC区间的充电电流，所述第一充电参数映射表包括SOC区间与充电电流的对应关系；
第二确定单元，用于根据所述初始荷电状态SOC、所述初始温度、各SOC区间的充电电流和各SOC区间的限值，确定第一剩余充电时长。
可选的，所述第二确定单元，包括：
第一确定子单元，用于根据所述初始荷电状态SOC和所述初始温度，确定所述初始荷电状态SOC所在的第一SOC区间；
第一获取子单元，用于获取所述第一SOC区间所对应的第一充电电流，以及，与各个第二SOC区间分别对应的第二充电电流；其中，所述第二SOC区间为下限值大于所述第一SOC区间的上限值的SOC区间；
第二确定子单元，用于根据所述初始荷电状态SOC、所述第一充电电流、多个所述第二充电电流，以及，所述第一SOC区间的上限值和各个所述第二SOC区间的上限值，确定所述第一剩余充电时长。
如图4所示，本申请实施例还提供一种基于大数据的车与车互学习充电剩余时间预测装置，应用于云端服务器，包括：
第二获取模块50，用于获取目标车辆的动力电池的初始荷电状态SOC和初始温度；
第三确定模块60，用于根据所述初始荷电状态SOC和初始温度，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长；
发送模块70，用于将所述第二剩余充电时长发送至所述目标车辆。
可选的，所述第三确定模块60，包括：
第三确定单元，用于根据所述云端服务器存储的第二充电参数映射表，确定多个SOC区间与充电电流的对应关系；
第四确定单元，用于根据所述始荷电状态SOC、初始温度和各SOC区间对应的充电电流，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长；
其中，所述第二充电参数映射表包括多个SOC区间与充电电流的对应关系，以及多个SOC区间与温升速率的对应关系，所述第二充电参数映射表为根据前一次充电过程更新的映射表。
可选的，所述第三确定模块60，还包括：
第三获取模块，用于获取车辆在充电过程中的批量训练数据；
处理模块，用于对获取的批量训练数据解析后进行大数据学习，按照预设的学习规则生成针对车辆的初始荷电状态SOC的预测控制指令，和初始温度的预测控制指令；
生成模块，用于将学习生成的所有预测控制指令与其对应的初始荷电状态SOC和初始温度进行关联后，生成预测指令数据库；
第四确定模块，用于根据所述初始荷电状态SOC和初始温度，与所述预测指令数据库进行匹配，确定所述第二剩余充电时长；
其中，所述训练数据包括：车辆充电过程中的初始荷电状态SOC、初始温度、车辆充电过程中的多个SOC区间与每一SOC区间与温升速率的对应关系。
需要说明的是，所述预设的学习规则包括以下规则的至少一种：
提取多台车辆在所处相同区域的充电控制行为；
提取同一台车辆在同一地点的多个历史充电控制行为；
提取多台车辆在针对相同的初始温度和初始荷电状态SOC的充电控制行为；
提取同一台车辆在相同的初始温度和初始荷电状态SOC的多个历史充电控制行为。
可选的，所述第四确定单元，包括：
第三确定子单元，用于根据所述第二充电参数映射表，确定加热过过程开始时的第一充电电流、加热过过程截止时的第二充电电流以及第二温度；
第二获取子单元，用于根据所述初始温度、所述第一充电电流、所述第二充电电流和所述第二温度，获取用于计算第二剩余充电时长的第一预设比例；
第二获取单元，用于获取动力电池的加热时长、充电结束后的SOC状态的对应值和加热过程截止后仅充电的第三剩余充电时长；
第四确定子单元，用于根据所述第一预设比例、所述加热时长、所述充电结束后的SOC状态的对应值和所述第三剩余充电时长，确定所述第二剩余充电时长。
可选的，所述第二获取单元，包括：
第五确定子单元，用于根据所述初始荷电状态SOC、所述初始温度和所述第二充电参数映射表，确定所述初始荷电状态SOC所在的第三SOC区间；
第三获取子单元，用于获取所述第三SOC区间所对应的第三充电电流，以及，与各个第四SOC区间分别对应的第四充电电流；其中，所述第四SOC区间为下限值大于所述第三SOC区间的上限值的SOC区间；
第六确定子单元，用于根据所述初始荷电状态SOC、所述第三充电电流、多个所述第四充电电流，以及，所述第三SOC区间的上限值和各个所述第四SOC区间的上限值，确定所述第三剩余充电时长。
可选的，所述第二获取单元，包括：
第四获取子单元，用于根据所述初始温度，以及根据所述第二充电参数映射表，获取各SOC区间的温升速率；
第七确定子单元，用于根据所述初始温度和各温升区间的温升速率，确定加热时长。
可选的，所述第二获取单元，包括：
第五获取子单元，用于获取加热过程结束后的动力电池的当前SOC以及充电结束后的SOC；
第八确定子单元，用于若所述加热过程结束后的动力电池的当前SOC小于第三预设倍数的充电结束后的SOC，确定所述充电结束后的SOC状态的对应值为第一阈值；
否则，根据所述加热过程结束后的动力电池的当前SOC以及所述充电结束后的SOC，确定所述充电结束后的SOC状态的对应值。
本申请实施例还提供一种可读存储介质，该可读存储介质上存储有程序，该程序被处理器执行时实现如上所述的基于大数据的车与车互学习充电剩余时间预测方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，该可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁碟或者光盘等。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述的是本申请的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本申请所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本申请的保护范围内。

Claims (14)

1.一种基于大数据的车与车互学习充电剩余时间预测方法，其特征在于，包括：
车辆获取动力电池的初始荷电状态SOC和初始温度；
车辆根据所述初始荷电状态SOC和初始温度，确定所述动力电池充电截止时的第一剩余充电时长；
车辆获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二剩余充电时长；
车辆根据所述第一剩余充电时长和所述第二剩余充电时长，确定从所述初始荷电状态SOC开始充电的预测剩余充电时长；
其中，所述车辆根据所述第一剩余充电时长和所述第二剩余充电时长，确定从所述初始荷电状态SOC开始充电的预测剩余充电时长，包括：
在第一比值处于预设范围之内时，确定所述预测剩余充电时长为充电过程的实时充电时长与第一比值相乘获得的数值；其中，所述第一比值等于第二剩余充电时长与所述第一剩余充电时长之间的比值；
其中，所述预设范围位于：
第一预设倍数的第一剩余充电时长和第二预设倍数的第一剩余充电时长之间，所述第一预设倍数小于所述第二预设倍数；
其中，若所述第一比值小于所述第一预设倍数的第一剩余充电时长，则确定第一比值为第一预设倍数的第一剩余充电时长；
若所述第一比值大于所述第二预设倍数的第一剩余充电时长，则确定第一比值为第二预设倍数的第一剩余充电时长。
2.根据权利要求1所述的基于大数据的车与车互学习充电剩余时间预测方法，其特征在于，所述根据所述初始荷电状态SOC和初始温度，确定所述动力电池充电截止时的第一剩余充电时长，包括：
根据当前存储的第一充电参数映射表，获取各SOC区间的充电电流，所述第一充电参数映射表包括SOC区间与充电电流的对应关系；
根据所述初始荷电状态SOC、所述初始温度、各SOC区间的充电电流和各SOC区间的限值，确定第一剩余充电时长。
3.根据权利要求2所述的基于大数据的车与车互学习充电剩余时间预测方法，其特征在于，所述根据所述初始荷电状态SOC、所述初始温度、各SOC区间的充电电流和各SOC区间的限值，确定第一剩余充电时长，包括：
根据所述初始荷电状态SOC和所述初始温度，确定所述初始荷电状态SOC所在的第一SOC区间；
获取所述第一SOC区间所对应的第一充电电流，以及，与各个第二SOC区间分别对应的第二充电电流；其中，所述第二SOC区间为下限值大于所述第一SOC区间的上限值的SOC区间；
根据所述初始荷电状态SOC、所述第一充电电流、多个所述第二充电电流，以及，所述第一SOC区间的上限值和各个所述第二SOC区间的上限值，确定所述第一剩余充电时长。
4.根据权利要求1所述的基于大数据的车与车互学习充电剩余时间预测方法，其特征在于，包括：
云端服务器获取目标车辆的动力电池的初始荷电状态SOC和初始温度；
云端服务器根据所述初始荷电状态SOC和初始温度，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长；
云端服务器将所述第二剩余充电时长发送至所述目标车辆。
5.根据权利要求4所述的基于大数据的车与车互学习充电剩余时间预测方法，其特征在于，所述根据所述初始荷电状态SOC和初始温度，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长，包括：
根据所述云端服务器存储的第二充电参数映射表，确定多个SOC区间与充电电流的对应关系；
根据所述初始荷电状态SOC、初始温度和各SOC区间对应的充电电流，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长；
其中，所述第二充电参数映射表包括多个SOC区间与充电电流的对应关系，以及多个SOC区间与温升速率的对应关系，所述第二充电参数映射表为根据前一次充电过程更新的映射表。
6.根据权利要求4所述的基于大数据的车与车互学习充电剩余时间预测方法，其特征在于，所述确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长，还包括：
获取车辆在充电过程中的批量训练数据；
对获取的批量训练数据解析后进行大数据学习，按照预设的学习规则生成针对车辆的初始荷电状态SOC的预测控制指令，和初始温度的预测控制指令；
将学习生成的所有预测控制指令与其对应的初始荷电状态SOC和初始温度进行关联后，生成预测指令数据库；
根据所述初始荷电状态SOC和初始温度，与所述预测指令数据库进行匹配，确定所述第二剩余充电时长；
其中，所述训练数据包括：车辆充电过程中的初始荷电状态SOC、初始温度、车辆充电过程中的多个SOC区间与每一SOC区间与温升速率的对应关系。
7.根据权利要求6所述的基于大数据的车与车互学习充电剩余时间预测方法，其特征在于，所述训练数据包括行驶地点、动力电池的初始温度和动力电池的初始荷电状态SOC，所述预设的学习规则包括以下规则的至少一种：
提取多台车辆在所处相同区域的充电控制行为；
提取同一台车辆在同一地点的多个历史充电控制行为；
提取多台车辆在针对相同的初始温度和初始荷电状态SOC的充电控制行为；
提取同一台车辆在相同的初始温度和初始荷电状态SOC的多个历史充电控制行为。
8.根据权利要求5所述的基于大数据的车与车互学习充电剩余时间预测方法，其特征在于，根据所述初始荷电状态SOC、初始温度和各SOC区间对应的充电电流，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长，包括：
根据所述第二充电参数映射表，确定加热过程开始时的第一充电电流、加热过程截止时的第二充电电流以及第二温度；
根据所述初始温度、所述第一充电电流、所述第二充电电流和所述第二温度，获取用于计算第二剩余充电时长的第一预设比例；
获取动力电池的加热时长、充电结束后的SOC状态的对应值和加热过程截止后仅充电的第三剩余充电时长；
根据所述第一预设比例、所述加热时长、所述充电结束后的SOC状态的对应值和所述第三剩余充电时长，确定所述第二剩余充电时长。
9.根据权利要求8所述的基于大数据的车与车互学习充电剩余时间预测方法，其特征在于，获取加热过程截止后仅充电的第三剩余充电时长，包括：
根据所述初始荷电状态SOC、所述初始温度和所述第二充电参数映射表，确定所述初始荷电状态SOC所在的第三SOC区间；
获取所述第三SOC区间所对应的第三充电电流，以及，与各个第四SOC区间分别对应的第四充电电流；其中，所述第四SOC区间为下限值大于所述第三SOC区间的上限值的SOC区间；
根据所述初始荷电状态SOC、所述第三充电电流、多个所述第四充电电流，以及，所述第三SOC区间的上限值和各个所述第四SOC区间的上限值，确定所述第三剩余充电时长。
10.根据权利要求8所述的基于大数据的车与车互学习充电剩余时间预测方法，其特征在于，所述获取动力电池的加热时长，包括：
根据所述初始温度，以及根据所述第二充电参数映射表，获取各SOC区间的温升速率；
根据所述初始温度和各温升区间的温升速率，确定加热时长。
11.根据权利要求8所述的基于大数据的车与车互学习充电剩余时间预测方法，其特征在于，获取充电结束后的SOC状态的对应值，包括：
获取加热过程结束后的动力电池的当前SOC以及充电结束后的SOC；
若所述加热过程结束后的动力电池的当前SOC小于第三预设倍数的充电结束后的SOC，确定所述充电结束后的SOC状态的对应值为第一阈值；
否则，根据所述加热过程结束后的动力电池的当前SOC以及所述充电结束后的SOC，确定所述充电结束后的SOC状态的对应值。
12.一种基于大数据的车与车互学习充电剩余时间预测装置，其特征在于，包括：
第一获取模块，用于车辆获取动力电池的初始荷电状态SOC和初始温度；
第一确定模块，用于车辆根据所述初始荷电状态SOC和初始温度，确定所述动力电池充电截止时的第一剩余充电时长；
接收模块，用于车辆获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二剩余充电时长；
第二确定模块，用于车辆根据所述第一剩余充电时长和所述第二剩余充电时长，确定从所述初始荷电状态SOC开始充电的预测剩余充电时长；
其中，所述第二确定模块，包括：
第一确定单元，用于在第一比值处于预设范围之内时，确定所述预测剩余充电时长为充电过程的实时充电时长与第一比值相乘获得的数值；其中，所述第一比值等于第二剩余充电时长与所述第一剩余充电时长之间的比值；
其中，所述预设范围位于：
第一预设倍数的第一剩余充电时长和第二预设倍数的第一剩余充电时长之间，所述第一预设倍数小于所述第二预设倍数；
其中，若所述第一比值小于所述第一预设倍数的第一剩余充电时长，则确定第一比值为第一预设倍数的第一剩余充电时长；
若所述第一比值大于所述第二预设倍数的第一剩余充电时长，则确定第一比值为第二预设倍数的第一剩余充电时长。
13.根据权利要求12所述的基于大数据的车与车互学习充电剩余时间预测装置，其特征在于，包括：
第二获取模块，用于云端服务器获取目标车辆的动力电池的初始荷电状态SOC和初始温度；
第三确定模块，用于云端服务器根据所述初始荷电状态SOC和初始温度，确定与所述初始荷电状态SOC和初始温度对应的第二剩余充电时长；
发送模块，用于云端服务器将所述第二剩余充电时长发送至所述目标车辆。
14.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1至11中任一项所述的基于大数据的车与车互学习充电剩余时间预测方法的步骤。
CN202110447766.4A 2021-04-25 2021-04-25 基于大数据的车与车互学习充电剩余时间预测方法和装置 Active CN113147506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110447766.4A CN113147506B (zh) 2021-04-25 2021-04-25 基于大数据的车与车互学习充电剩余时间预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110447766.4A CN113147506B (zh) 2021-04-25 2021-04-25 基于大数据的车与车互学习充电剩余时间预测方法和装置

Publications (2)

Publication Number Publication Date
CN113147506A CN113147506A (zh) 2021-07-23
CN113147506B true CN113147506B (zh) 2022-05-06

Family

ID=76870562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110447766.4A Active CN113147506B (zh) 2021-04-25 2021-04-25 基于大数据的车与车互学习充电剩余时间预测方法和装置

Country Status (1)

Country Link
CN (1) CN113147506B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114475353B (zh) * 2022-01-20 2023-11-10 上海汽车集团股份有限公司 动力电池充电时间预估方法、装置、电子设备及存储介质
CN115593265B (zh) * 2022-09-20 2024-02-23 广州汽车集团股份有限公司 充电时长的预测方法、装置、计算机设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101990641A (zh) * 2008-03-07 2011-03-23 日产自动车株式会社 二次电池剩余容量估计设备
CN103718418A (zh) * 2011-05-19 2014-04-09 雷诺股份公司 用于估计电池充电结束时间的系统和方法
CN106249154A (zh) * 2015-06-15 2016-12-21 株式会社杰士汤浅国际 二次电池的监视装置以及保护系统、电池包、车辆
CN110010987A (zh) * 2019-04-12 2019-07-12 苏州正力蔚来新能源科技有限公司 一种基于大数据的电动汽车剩余充电时间预测方法
DE102019211051A1 (de) * 2019-07-25 2021-01-28 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung der Restkapazität einer Batterie

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102468385B1 (ko) * 2018-01-05 2022-11-18 현대자동차주식회사 친환경 차량 배터리의 충전시간 예측 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101990641A (zh) * 2008-03-07 2011-03-23 日产自动车株式会社 二次电池剩余容量估计设备
CN103718418A (zh) * 2011-05-19 2014-04-09 雷诺股份公司 用于估计电池充电结束时间的系统和方法
CN106249154A (zh) * 2015-06-15 2016-12-21 株式会社杰士汤浅国际 二次电池的监视装置以及保护系统、电池包、车辆
CN110010987A (zh) * 2019-04-12 2019-07-12 苏州正力蔚来新能源科技有限公司 一种基于大数据的电动汽车剩余充电时间预测方法
DE102019211051A1 (de) * 2019-07-25 2021-01-28 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung der Restkapazität einer Batterie

Also Published As

Publication number Publication date
CN113147506A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113147506B (zh) 基于大数据的车与车互学习充电剩余时间预测方法和装置
CN110562096B (zh) 一种剩余里程预测方法及装置
US20220242390A1 (en) Energy management method and system for hybrid electric vehicle
CN113147507B (zh) 剩余充电时长的估算方法、装置及电动汽车
CN110658460B (zh) 一种电池包的电池寿命预测方法及装置
CN113232553B (zh) 一种加热电动汽车电池组的方法、装置、设备及可存储介质
CN113064089B (zh) 动力电池的内阻检测方法、装置、介质以及系统
CN110598300A (zh) 一种电池soh预测方法及装置
CN104881550A (zh) 动力电池运行温度的自适应预测方法
CN112368198A (zh) 车辆动力管理系统和方法
WO2022262583A1 (zh) 电池健康状态测算方法以及相关设备
CN113071373B (zh) 一种基于云端智能互联大数据的温度预测和装置
CN112838247A (zh) 燃料电池系统功率模型预测计算方法、装置、介质及设备
CN115221795A (zh) 容量预测模型的训练方法、预测方法、装置、设备及介质
CN113085656B (zh) 一种基于用户习惯大数据的衰减智能预控方法和装置
CN115700717A (zh) 一种基于电动汽车用电需求的配电分析方法
CN115817183A (zh) 一种纯电动汽车续驶里程预测方法及预测装置
JP2021124419A (ja) バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
CN111071259A (zh) 车速预测方法、装置、车辆控制装置和存储介质
CN116572799B (zh) 基于深度学习的动力电池荷电续航预测方法、系统及终端
CN110543967B (zh) 一种网联充电站环境下电动汽车等待时间分布短时预测方法
CN110503301B (zh) 一种基于Cox比例风险模型的电动汽车传导充电安全影响因素评价方法
CN114655074B (zh) 一种基于贝叶斯回归的电动汽车实际行驶能耗估计方法
CN115470985A (zh) 一种电动汽车充电负荷的预测方法及系统
CN114256523A (zh) 一种充电桩充电控制方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant